语言大模型 / LLM

From Spark to Fire: Modeling and Mitigating Error Cascades in LLM-Based Multi-Agent Collaboration

从Spark到Fire：在基于大语言模型的多智能体协作中建模和缓解错误级联

Yizhe Xie, Congcong Zhu, Xinyue Zhang, Tianqing Zhu, Dayong Ye, Minfeng Qi, Huajie Chen, Wanlei Zhou

机构 * Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院） ； Minzu University of China（民族大学） 纠错

专题命中 其他LLM ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出了一种针对LLM-MAS的传播动力学模型，通过实验识别出三种漏洞类型，并引入基因图治理层以抑制误差级联，有效缓解了错误传播风险。

HBEE: Human Behavioral Entropy Engine -- Pre-Registered Multi-Agent LLM Simulation of Peer-Suspicion-Based Detection Inversion

HBEE：人类行为熵引擎——预注册的多智能体LLM模拟中的基于同伴怀疑的检测反转

Vickson Ferrel

机构 * Faculty of Computer Science & Information Technology（计算机科学与信息科技学院） ； Universiti Malaysia Sarawak（马来西亚沙巴大学） ； Vixero Technology Enterprise（Vixero技术企业） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.AI

AI总结 本文通过预注册的多智能体LLM模拟，研究了基于同伴怀疑的检测反转问题，发现适应性对手在T_60时的怀疑度低于随机选择的无辜代理，且检测信号在适应性对手行为下解耦。

Comments 14 pages, 6 figures. Pre-registration document and full deviation log included in artifact

Effective LLM Code Refinement via Property-Oriented and Structurally Minimal Feedback

通过属性导向和结构最小反馈的有效LLM代码细化

Lehan He, Zeren Chen, Zhe Zhang, Xiang Gao, Lu Sheng

机构 * School of Software, Beihang University, Beijing, China（北京航空航天大学软件学院） ； Shanghai AI Laboratory, Shanghai, China（上海人工智能实验室） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.AI

AI总结 本文提出属性生成求解器（PGS），通过属性导向和结构最小反馈提升LLM代码生成的正确性，实验显示PGS在pass@1和修复率上均优于其他TDD方法。

Context Matters: Peer-Aware Student Behavioral Engagement Measurement via VLM Action Parsing and LLM Sequence Classification

语境至关重要：通过VLM动作解析和LLM序列分类进行同伴感知的学生行为参与度测量

Ahmed Abdelkawy, Ahmed Elsayed, Asem Ali, Aly Farag, Thomas Tretter, Michael McIntyre

机构 * University of Louisville（路易斯维尔大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出一种三阶段框架，通过VLM动作识别和LLM序列分类，结合课堂语境中的同伴行为，有效测量学生参与度。

Comments accepted to the Computer Vision for Education (CV4Edu) workshop, CVPR 2026

Defective Task Descriptions in LLM-Based Code Generation: Detection and Analysis

基于大语言模型的代码生成中的缺陷任务描述：检测与分析

Amal Akli, Mike Papadakis, Maxime Cordy, Yves Le Traon

机构 * University of Luxembourg（卢森堡大学） 纠错

专题命中 其他LLM ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出SpecValidator，通过轻量级模型检测任务描述缺陷，结果显示其在检测准确性与鲁棒性上优于其他模型，揭示了任务描述结构对LLM性能的影响。

Revisable by Design: A Theory of Streaming LLM Agent Execution

为设计而可逆：流式LLM代理执行的理论

Zhiyuan Zhai, Ming Li, Xin Wang

机构 * Fudan University（复旦大学） ； Guangming Lab（光明实验室） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.LG

AI总结 本文提出流式LLM代理执行的可逆性理论，通过定义可逆性分类，证明冲突可逆动作导致不可满足性，提出修订吸收器算法提升执行灵活性。

RouteGuard: Internal-Signal Detection of Skill Poisoning in LLM Agents

RouteGuard: LLM代理中技能中毒的内部信号检测

Wenjie Xiao, Xuehai Tang, Biyu Zhou, Songlin Hu, Jizhong Han

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.AI

AI总结 本文提出RouteGuard，通过响应条件注意力和隐藏状态对齐检测LLM代理中的技能中毒，实验证明其在真实和合成数据上表现优异，有效恢复被词法筛选遗漏的攻击。

One Persona, Many Cues, Different Results: How Sociodemographic Cues Impact LLM Personalization

一个身份，多种线索，不同结果：社会人口学线索如何影响LLM个性化

Franziska Weeber, Vera Neplenbroek, Jan Batzner, Sebastian Padó

机构 * Institute for Natural Language Processing, University of Stuttgart（斯图加特大学自然语言处理研究所） ； Institute for Logic, Language and Computation, University of Amsterdam（阿姆斯特丹大学逻辑、语言和计算研究所） ； Weizenbaum Institute（Weizenbaum研究所；慕尼黑机器学习中心；慕尼黑技术大学） ； Munich Center for Machine Learning ； TU Munich 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.CL

AI总结 研究探讨社会人口学线索对LLM个性化的影响，指出单一线索可能导致偏差，强调需考虑外部有效性。

Comments ACL 2026 Main Conference

Plug-and-Play Dramaturge: A Divide-and-Conquer Approach for Iterative Narrative Script Refinement via Collaborative LLM Agents

即插即用的戏剧编导：一种分而治之的方法，用于通过协作LLM代理进行迭代叙事脚本优化

Wenda Xie, Chao Guo, Yanqing Jing, Junle Wang, Yisheng Lv, Fei-Yue Wang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Tencent（腾讯） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.AI

AI总结 本文提出Dramaturge方法，通过分层多个LLM代理，解决长叙事脚本优化中的全局结构问题和局部细节问题，提升脚本整体质量和细节。

GraSP: Graph-Structured Skill Compositions for LLM Agents

GraSP：用于LLM代理的图结构技能组合

Tianle Xia, Lingxiang Hu, Yiding Sun, Ming Xu, Lan Xu, Siying Wang, Wei Xu, Jie Jiang

机构 * Tencent（腾讯） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.CL

AI总结 本文提出GraSP，一种可执行技能图架构，通过引入编译层提升LLM代理技能编排效率，通过五种类型操作符将扁平技能集转化为带前提-效应边的有向无环图，提升任务完成效率和奖励。

SocialWise: LLM-Agentic Conversation Therapy for Individuals with Autism Spectrum Disorder to Enhance Communication Skills

SocialWise: 用于自闭症谱系障碍个体的LLM代理对话疗法以增强沟通能力

Albert Tang

机构 * Albert Tang（阿尔伯特·坦） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.AI

AI总结 SocialWise通过浏览器应用结合LLM对话代理和治疗性检索增强生成（RAG）知识库，为自闭症谱系障碍个体提供低成本、高效的沟通技能培训。

Exploring and Testing Skill-Based Behavioral Profile Annotation: Human Operability and LLM Feasibility under Schema-Guided Execution

探索基于技能的行为特征标注：在模式引导执行下的人类可操作性和LLM可行性

Yufeng Wu

机构 * City University of Hong Kong（香港城市大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.CL

AI总结 本文探讨了基于技能的行为特征标注，通过人类和LLM在模式引导执行下的表现，发现标注任务在技能层面高度异质，LLM在特定技能上表现可靠，但整体可行性有限。

DeepTest Tool Competition 2026: Benchmarking an LLM-Based Automotive Assistant

2026年深度测试工具竞赛：评估基于LLM的汽车助理

Lev Sorokin, Ivan Vasilev, Samuele Pasini

机构 * BMW Group（宝马集团） ； Technical University of Munich（慕尼黑技术大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文总结了2026年首次大型语言模型测试竞赛的结果，评估了四个工具在识别汽车手册中警告信息失败输入方面的有效性。

Comments Published in the proceedings of the DeepTest workshop at the 48th International Conference on Software Engineering (ICSE) 2026

LLM-Guided Prompt Evolution for Password Guessing

基于LLM的提示进化用于密码猜测

Vladimir A. Mazin, Mikhail A. Zorin, Dmitrii S. Korzh, Elvir Z. Karimov, Dmitrii A. Bolokhov, Oleg Y. Rogov

机构 * Applied AI Center（应用人工智能中心） ； MTUCI（莫斯科国立大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.AI

AI总结 本文利用LLM驱动的进化计算优化密码猜测框架的提示，通过OpenEvolve系统提升破解率，验证了自动提示进化在增强LLM密码审计中的有效性。

Comments 11 pages, 5 figures

Is Self-knowledge and Action Consistent or Not: Investigating Large Language Model's Personality

Yiming Ai, Zhiwei He, Ziyin Zhang, Wenhong Zhu, Hongkun Hao, Kai Yu, Lingjun Chen, Rui Wang

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL

Comments ICML 2024, Large Language Models and Cognition

Revealing Hidden Bias in AI: Lessons from Large Language Models

Django Beatty, Kritsada Masanthia, Teepakorn Kaphol, Niphan Sethi

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.AI

Comments 13 pages, 18 figures. This paper presents a technical analysis of bias in large language models, focusing on bias detection and mitigation

Large Language Model (LLM) AI text generation detection based on transformer deep learning algorithm

Yuhong Mo, Hao Qin, Yushan Dong, Ziyi Zhu, Zhenglin Li

专题命中 其他LLM ：LLM(title,abstract)；large language model(title)；language model(title)；分类 cs.CL

Comments 6 pages

Can LLMs Understand the Impact of Trauma? Costs and Benefits of LLMs Coding the Interviews of Firearm Violence Survivors

大型语言模型能理解创伤的影响吗？对枪支暴力幸存者访谈的LLM编码的成本与收益

Jessica H. Zhu, Shayla Stringfield, Vahe Zaprosyan, Michael Wagner, Michel Cukier, Joseph B. Richardson

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

专题命中 其他LLM ：LLM(title_cn,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文研究了使用LLM对枪支暴力幸存者访谈进行主题编码的可行性，发现尽管某些配置能识别重要代码，但整体相关性低且易受数据处理影响，同时指出LLM的限制和伦理挑战。

Comments Accepted to Findings of the Association for Computational Linguistics (2026)

Journal ref Findings of the Association for Computational Linguistics (2026)

CoEvoP&R: Co-Evolving Placement Objectives with Routing Feedback via Large Language Models

CoEvoP&R：通过大语言模型与路由反馈共同进化布局目标

Ruogu Chen, Weihua Xiao, Ramesh Karri, Jie Han

机构 * University of Alberta（阿尔伯塔大学） ； New York University（纽约大学） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.AI、cs.LG

AI总结 研究针对分析布局器替代指标与下游质量不一致问题，提出基于大语言模型的CoEvoP&R框架自动进化布局目标，经实验验证该方法能有效降低线长、拥塞及时序负松弛，提升布局效果。

Comments 7 pages, 4 figures, 3 tables. Corresponding author: Weihua Xiao

Augmenting Fundamental Analysis with Large Language Models: A RAG-Based System for Generating Investor Briefs

用大语言模型增强基本面分析：基于RAG的投资者简报生成系统

Bartosz Ziółko, Kacper Dobrzeniewski

机构 * Faculty of Computer Science, AGH University of Krakow（克拉科夫AGH科技大学计算机科学学院） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI

AI总结 研究利用大语言模型，通过对公司报告、宏观经济数据及SEC文件等进行预处理，以类似RAG方式借助gpt - 4o模型，结合基于基钦周期的投资者知识文档，扫描分析9家公司数据并生成简报供投资者评估，探索其在基本面分析中的应用。

Correct codes for the wrong reasons? validating LLMs as measurement instruments for theoretical constructs

错误原因的正确编码？验证LLM作为理论构念的测量工具

Manuel Pita

机构 * Artificial Intelligence, Social Interaction and Complexity Laboratory（人工智能、社会互动与复杂性实验室） ； CICANT, Universidade Lusófona（CICANT，卢斯之ona大学） 纠错

专题命中 其他LLM ：LLM(title_cn,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 针对LLM编码文本构念时仅依赖可靠性而忽略构念效度的问题，提出粒度校准方法，通过将构念分解为子句级组件、提取证据并基于理论规则组合，揭示编码过程而非结果，从而区分真实测量与虚假相关。

A retrieval conditioned rebinding circuit for dynamic entity tracking in large language models

一种用于大语言模型中动态实体追踪的检索条件重绑定电路

Soyoung Oh, Vera Demberg

机构 * Saarland University（萨尔兰大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract_cn)；分类 cs.CL、cs.AI

AI总结 通过因果干预识别出大语言模型中实现动态状态追踪的检索条件重绑定机制，该机制由紧凑的注意力头电路编码并恢复绑定信息，在不同模型家族中表现不同。

More Capable, Less Cooperative? When LLMs Fail At Zero-Cost Collaboration

能力越强，合作越少？当LLM在零成本协作中失败时

Advait Yadav, Sid Black, Oliver Sourbut

专题命中 其他LLM ：LLM(title_cn,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 研究LLM在多智能体系统中零成本协作的失败原因，通过构建去战略复杂性的环境，发现能力更强的模型（如o3）反而合作更差，并区分了能力失败与主动信息隐瞒，提出针对性干预措施。

Comments Accepted to the ICML 2026 main conference

Learning to Route Queries to Heads for Attention-based Re-ranking with Large Language Models

基于大语言模型的注意力重排序中查询依赖的头部选择学习

Yuxing Tian, Fengran Mo, Zhiqi Huang, Weixu Zhang, Jian-Yun Nie

机构 * McGill University \& MILA Montreal Canada ； McGill University \& MILA 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出RouteHead方法，通过学习轻量级路由器选择最优头部集合以提升注意力重排序性能，实验表明优于现有基线。

Comments Accepted by SIGIR 2026

Inertia in Moral and Value Judgments of Large Language Models

大语言模型中的道德与价值观判断中的惯性

Bruce W. Lee, Yeongheon Lee, Hyunsoo Cho

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Ewha Womans University（成均馆大学） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；prompting(abstract)；分类 cs.CL、cs.AI

AI总结 研究发现大语言模型在不同角色设定下仍保持一致的价值取向，存在道德和价值观维度的惯性倾向，揭示了模型内部的偏见和价值偏好。

Comments ACL 2026

Daily and Weekly Periodicity in Large Language Model Performance and Its Implications for Research

大语言模型性能的每日和每周周期性及其对研究的影响

Paul Tschisgale, Peter Wulff

机构 * Leibniz Institute for Science and Mathematics Education（莱布尼茨科学和数学教育研究所） ； Ludwigsburg University of Education（路德维希堡教育大学） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI

AI总结 研究发现GPT-4o在固定条件下性能存在显著周期性变化，挑战了时间不变性假设，对LLM研究有重要影响。

Comments The Supplementary Information can be found in the OSF repository cited in the Data Availability Statement

Framing Effects in Independent-Agent Large Language Models: A Cross-Family Behavioral Analysis

独立代理大语言模型中的框架效应：跨家族行为分析

Zice Wang, Zhenyu Zhang

机构 * Northeastern University（东北大学） ； Beijing Institute of Technology（北京理工大学） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI

AI总结 研究探讨了在非交互多代理部署中，提示框架如何影响独立代理在阈值投票任务中的决策，发现框架效应显著影响选择分布，倾向于风险规避选项，揭示了非交互多代理部署中的重要偏差源。

Inducing Sustained Creativity and Diversity in Large Language Models

诱导大型语言模型的持续创造力与多样性

Queenie Luo, Gary King, Michael Puett, Michael D. Smith

机构 * Department of East Asian Languages and Civilizations, Harvard University（哈佛大学东亚语言与文明系） ； Institute for Quantitative Social Science, Harvard University（哈佛大学定量社会科学研究所） ； Harvard University（哈佛大学） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出一种新的解码方法，通过诱导持续创造力和多样性，使LLM能生成更多概念上独特的结果，从而更有效地探索搜索空间。

SOMP: Scalable Gradient Inversion for Large Language Models via Subspace-Guided Orthogonal Matching Pursuit

SOMP：通过子空间引导的正交匹配追踪实现大规模语言模型的可扩展梯度反向

Yibo Li, Qiongxiu Li

机构 * Politecnico di Milano（米兰理工学院） ； Aalborg University（奥胡斯大学） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.LG

AI总结 本文提出SOMP框架，通过子空间引导的正交匹配追踪解决大规模语言模型在大批次和长序列下的梯度反向问题，实现更高的重建保真度和计算效率。

Comments 18 pages, 4 figures, 13 tables

Under the Influence: Quantifying Persuasion and Vigilance in Large Language Models

受其影响：量化大型语言模型中的说服力与警觉性

Sasha Robinson, Katherine M. Collins, Ilia Sucholutsky, Kelsey R. Allen

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.LG

AI总结 研究探讨了大型语言模型在说服和警觉性方面的表现，发现其在任务执行中存在独立的能力差异，强调需单独监控这三个方面以保障AI安全。